大家好,我是Aaron。当前在实践”辅助AI编程”,目前有个比较火的词语是”干中学”。因此,我希望能通过一步步完善项目,来掌握RAG相关知识。因此正在开发一个名为ragflow4j(https://github.com/aaronshan/ragflow4j) 的项目。为了方便记录,我会在每天结束时让AI总结今天的开发进展,同步到公众号。
欢迎大家关注我关注公众号,第一时间收到更新推送,一步一步一起开发RAG引擎。
项目简介 📖
ragflow4j(https://github.com/aaronshan/ragflow4j) 是一个开源的 RAG(检索增强生成)引擎。与 Dify、Ragflow 等不同,它是用 Java 开发的。市面上类似的产品大多使用 Python 开发。我希望通过这个项目能帮助以 Java 为主要开发语言的开发者更好地理解 RAG 的整体机制。
今日工作内容 ✨
Content Scoring系统开发
开发目标
实现Content Scoring系统的核心功能,包括:
-
评分接口设计
-
评分计算引擎实现
-
评分缓存机制设计
系统设计
评分接口设计
基于已有的ScoringService接口,我们实现了以下核心功能:
public interface ScoringService {
CompletableFuture<List<ScoringResult>> score(String query, List<String> documents);
CompletableFuture<List<List<ScoringResult>>> batchScore(List<String> queries, List<String> documents);
void clearCache();
}
接口设计考虑了以下几个关键点:
-
1. 异步处理:使用
CompletableFuture支持异步评分 -
2. 批量处理:提供批量评分接口提高性能
-
3. 缓存管理:支持缓存清理操作
评分计算引擎
实现了抽象基类AbstractScoringService,提供了以下功能:
public abstract class AbstractScoringService implements ScoringService {
protected final Map<String, CompletableFuture<List<ScoringResult>>> cache;
protected final ExecutorService executor;
protected AbstractScoringService() {
this.cache = new ConcurrentHashMap<>();
this.executor = Executors.newFixedThreadPool(
Runtime.getRuntime().availableProcessors()
);
}
protected abstract String generateCacheKey(String query, List<String> documents);
protected abstract List<ScoringResult> computeScores(String query, List<String> documents);
}
评分服务实现
1. ONNX模型评分服务
@Service
public class OnnxScoringService extends AbstractScoringService {
private final OnnxRuntime runtime;
private final ModelConfig config;
@Override
protected List<ScoringResult> computeScores(String query, List<String> documents) {
// 实现ONNX模型推理逻辑
}
}
2. Cohere评分服务
@Service
public class CohereScoringService extends AbstractScoringService {
private final CohereClient client;
@Override
protected List<ScoringResult> computeScores(String query, List<String> documents) {
// 实现Cohere API调用逻辑
}
}
3. Xinference评分服务
@Service
public class XinferenceScoringService extends AbstractScoringService {
private final XinferenceClient client;
@Override
protected List<ScoringResult> computeScores(String query, List<String> documents) {
// 实现Xinference API调用逻辑
}
}
4. Jina评分服务
@Service
public class JinaScoringService extends AbstractScoringService {
private final JinaClient client;
@Override
protected List<ScoringResult> computeScores(String query, List<String> documents) {
// 实现Jina API调用逻辑
}
}
缓存机制
- 1. 缓存设计
-
使用
ConcurrentHashMap实现线程安全的缓存 -
缓存键通过查询和文档内容生成
-
支持异步结果缓存
- 2. 缓存策略
-
实现LRU淘汰策略
-
支持TTL过期机制
-
提供手动清理接口
单元测试
@SpringBootTest
class ScoringServiceTest {
@Test
void testScoring() {
// 测试评分功能
}
@Test
void testBatchScoring() {
// 测试批量评分
}
@Test
void testCacheManagement() {
// 测试缓存机制
}
}
开发总结
今天完成了Content Scoring系统的核心功能开发,包括:
-
1. 设计并实现了评分服务接口
-
2. 实现了多种评分服务实现
-
3. 建立了高效的缓存机制
-
4. 编写了完整的单元测试
系统设计注重了性能、可扩展性和可维护性,为后续的Agent Management Service开发奠定了基础。
明日开发重点🎯
明天将开始开发Agent Management Service,主要任务包括:
-
1. 实现代理生命周期管理
-
2. 实现代理状态管理
-
3. 实现代理配置管理
-
4. 开发代理调度系统
温馨提示:欢迎关注公众号【猿悟人生】获取最新开发进展

